<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Etl on Python Brasil — Aprenda Python em Português</title>
    <link>https://python.dev.br/tags/etl/</link>
    <description>Recent content in Etl on Python Brasil — Aprenda Python em Português</description>
    <generator>Hugo</generator>
    <language>pt-br</language>
    <lastBuildDate>Thu, 21 May 2026 04:13:11 +0000</lastBuildDate>
    <atom:link href="https://python.dev.br/tags/etl/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>ETL com Python em 2026: APIs, Pandas, DuckDB e Jobs Confiáveis</title>
      <link>https://python.dev.br/blog/etl-python-2026/</link>
      <pubDate>Thu, 21 May 2026 00:00:00 +0000</pubDate>
      <guid>https://python.dev.br/blog/etl-python-2026/</guid>
      <description>&lt;p&gt;ETL continua sendo uma das habilidades mais úteis para quem trabalha com Python em empresas brasileiras. Mesmo com tanta conversa sobre IA, agentes e dashboards, boa parte do valor real ainda depende de uma tarefa básica: buscar dados de lugares diferentes, limpar o que veio torto, salvar em um formato confiável e deixar isso rodando sem alguém abrir um notebook manualmente toda semana.&lt;/p&gt;&#xA;&lt;p&gt;Em 2026, um pipeline ETL em Python não precisa começar com uma plataforma pesada. Para muitos times pequenos, consultorias, áreas financeiras, operações comerciais e projetos de portfólio, a combinação &lt;strong&gt;HTTPX + Pandas + DuckDB + logs estruturados&lt;/strong&gt; resolve muito bem. Você consegue consumir APIs, tratar paginação, validar campos críticos, transformar tabelas, gerar arquivos Parquet ou uma base DuckDB local e depois servir esses dados para relatórios, Streamlit, FastAPI ou análises pontuais.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
